멀티미디어 서비스가 전체 인터넷의 많은 부분을 차지하고 있으며, 계속해서 관심이 증가되고 있다. 네트워크가 다양해지고 구성 단말들의 종류도 다양해짐에 따라, 획일적인 컨텐츠로 멀티미디어 서비스를 하는 것이 불가능해졌다. 각 단말별 요구도 다양해지고, 네트워크의 대역폭도 다양해짐에 따라서 적응적인 서비스가 요구된다. 비디오 트랜스코딩은 멀티미디어 데이타를 적응성 있게 서비스할 수 있는 좋은 방법이다. 본 논문은 멀티미디어 데이타를 스트리밍 하기 위해 부호기, 트랜스코더, 복호기로 구성된 시스템을 제안한다. 부호기는 예측 주기를 이용하여 트랜스코딩할 경우의 계산 복잡도 및 PSNR을 향상시켰고, 복호기는 일반적인 미디어 재생기와 거의 유사하다. 트랜스코더에서는 부호기의 예측주기와 프레임율을 조절하는 삭제주기를 통해서 효율적인 계산 과정을 선택한다. 실험 결과, 기존의 트랜스코더와 부호기, 복호기를 이용한 시스템에 비해서 본 논문에서 제안한 시스템이 계산복잡도와 PSNR에서 높게 나타났다.

오늘날 급속한 패키지 소프트웨어 제품의 증가 추세에 따라서, 소프트웨어 제품에 대한 품질 시험 요구 또한 증가하였다. 소프트웨어 제품 시험 시 중요한 요소는 무엇을 시험할지 기준이 되는 메트릭의 선정이다. 본 연구에서는 패키지 소프트웨어 종류를 특성 벡터들로 표현하여 메트릭들과의 연관 관계를 확률로서 세밀하게 표현한다. 특성 벡터란 소프트웨어의 형식 분류 지시자라고 할 수 있으며 특정한 패키지 소프트웨어가 다른 것들과 어떻게 구별되는지 나타낼 수 있다. 분류된 각각의 소프트웨어 형식별로 메트릭을 선정하기 위해서 과거 시험 데이타를 분석하여 활용한다. 베이지언망이 과거 데이타 분석에 이용되며 특성 벡터와 메트릭 간의 의존 관계 네트워크를 구축한다. 구축된 베이지언망은 새로운 패키지 소프트웨어 시험 작업에 적절한 메트릭을 찾아내는데 활용된다.

영상을 낮은 피사계 심도로 찍는 카메라 기법은 전통적으로 널리 이용되는 영상 취득 기술이다. 이 방법을 사용하면 사진사가 사진이나 동영상을 찍을 때 영상의 관심 영역에만 포커스를 두어 선명하게 표현하고 나머지는 흐릿하게 함으로써 자신의 의도를 보는 이에게의 분명하게 전달 할 수 있다. 본 논문은 이러한 피사계 심도가 낮은 동영상 입력에 대하여 사용자의 도움 없이 포커스 된 비디오 객체를 추출하는 새로운 방법을 제안한다. 본 연구에서 제안하는 방법은 크게 두 모듈로 나뉜다. 첫 번째 모듈에서는 동영상의 첫 번째 프레임에 대해서 포커스 된 영역과 그렇지 않은 흐릿한 부분을 자동으로 구분하여 관심 물체만을 추출한다. 두 번째 모듈에서는 첫 번째 모듈에서 구한 관심 물체의 모델을 바탕으로 동영상 프레임에서의 관심 물체만을 실시간이나 실시간에 가깝게 추출한다. 본 논문에서 제안하는 방법은 가상현실(VR)이나 실감 방송, 비디오 인덱싱 시스템과 같은 여러 응용 분야에 효과적으로 적용될 수 있고, 이러한 유용성은 실험 결과를 통해 보였다.

영상을 처리하는 과정에서 광학시스템과 전자회로의 특성으로 인해 흐려지고, 잡음으로 훼손된 영상을 복원하는 경우에 일반적으로 정칙화 반복복원방법이 사용된다. 기존의 방법은 영상의 국부적인 특성을 고려하지 않고, 영상 전체에 일률적으로 정칙화 연산자를 사용함으로써 에지의 주변영역에서는 링잉현상을 초래하고, 평면영역에서도 잡음증폭을 피할 수 없으며, 또한 시각적으로 효율적이지 못한 면이 있다. 이러한 문제점을 개선하기 위하여 본 논문에서는 방향성 정칙화 연산자를 사용하여 평면영역과 에지영역의 특성을 고려하여 적응적으로 처리하는 반복복원방법을 제안한다. 실험결과, 제안된 방법은 기존의 방법에 비해 평면영역에서의 잡음 증폭을 억제하는 동시에 에지영역의 경계를 더욱 선명하게 복원함을 알 수 있었다.

2차원 평면 입력을 통한 모델링에서는 입력 값을 3차원 데이타로 바꾸기 위한 기능과 메뉴들이 필요하지만 가상공간 디자인을 위한 3차원 입력 시스템은 입력 값을 곧바로 3차원 데이타로 변환될 수 있다. 하지만 3차원 입력시스템에서 효율적인 곡면 모델링 방법, 특히 곡면 변형 방법은 제안되지 않고 있다. 본 논문에서는 기존의 변형방법이 3차원 입력시스템에서 적용되었을 때 발생할 수 있는 문제점을 제시한다. 그리고 디자이너가 접근하기 쉬운 목표곡선을 이용한 변형을 제안한다. 이와 같은 3차원 목표곡선을 이용한 변형을 통해 디자이너가 보다 쉽게 3차원 입력시스템에 접근하여 가상공간 스케칭 및 디자인을 구현할 수 있다.

최근에 대화형 에이전트에서 사용자 질의의 주제 추론을 위하여 베이지안 네트워크가 효과임이 발표되었다. 하지만 베이지안 네트워크는 설계에 있어서 많은 시간이 소요되며, 스크립트(대화를 위한 데이타베이스)의 추가 변경시에는 베이지안 네트워크도 같이 수정해야 하는 번거로움이 있어 대화형 에이전트의 확장성을 저해하고 있다. 본 논문에서는 스크림트로부터 베이지안 네트워크를 자동으로 생성함으로써 베이지안 네트워크를 이용한 대화형 에이전트의 확장성을 높이는 방법을 제안한다. 제안한 방법은 베이지안 네트워크의 구성노드를 계층적으로 설계하고, Noisy-OR gate를 사용하여 베이지안 네트워크의 조건부 확률 테이블을 구성한다. 피험자 10명이 대화형 에이전트를 위한 베이지안 네트워크를 수동 설계한 것과 비교한 결과 제안하는 방법이 효과적임을 알 수 있었다.

지문분류는 사전에 정의된 클래스로 입력된 지문을 분류하여 자동지문인식 시스템에서 비교해야할 지문의 수를 줄여준다. 지지벡터기계(support vector machine; SVM)는 패턴인식 분야에서 널리 사용되고 있을 뿐만 아니라 지문분류에서도 높은 성능을 보이고 있다. SVM은 이진클래스 분류기이기 때문에 다중클래스 문제인 지문분류를 위해서 적절한 분류기 생성과 결합 기법이 필요하며, 본 논문에서는 일대다(one-vs-all; OVA) 방식으로 구성된 SVM을 naive Bayes(NB) 분류기를 이용하여 동적으로 구성하는 분류방법을 제안한다. 지문분류에서 대표적으로 사용되는 특징인 FingerCode와 지문의 구조적 특징인 특이점과 의사융선을 사용하여 OVA SVM과 NB 분류기를 학습하고, 포섭구조의 분류기를 구성하여 효과적인 지문분류를 수행한다. NIST-4 데이타베이스에 제안하는 방법을 적용하여 5클래스 분류에 대해서 90.8%의 높은 분류율을 획득하였으며, OVA 전략의 SVM을 다중클래스 분류문제에 적용할 때 발생하는 동점문제를 효과적으로 처리하였다.

프로덕트라인 공학은 한 프로덕트라인에 속하는 여러 어플리케이션들이 공유할 수 있는 핵심 자산을 재사용하는 새로운 패러다임으로, 대표적인 소프트웨어 재사용 방법으로 넓게 수용되고 있다. 핵심자산은 프로덕트라인의 여러 멤버에서 재사용될 수 있기 때문에, 공통성과 가변성을 잘 정의하여 높은 재사용성을 가진 핵심 자산을 개발하는 것은 생산성을 향상시켜 고품질의 어플리케이션을 빠른 시간 내에 개발하는데 필수 요소이다. 프로덕트라인 공학을 적용한 기존 방법론에서도 핵심 자산의 중요성을 강조하였지만, 대개 공통성과 가변성을 분석하는데 초점이 맞추어져 있었다. 그리고, 일부 방법론에서는 핵심 자산을 개발하는 프로세스를 제안하고 있지만, 핵심 자산의 모든 구성 요소를 개발하는 체계적인 프로세스, 지침, 산출물 양식이 다소 부족하며, 이는 핵심 자산을 설계하는데 많은 어려움을 초래한다. 본 논문에서는 핵심 자산 설계를 위한 체계적인 프로세스와 기법, 산출물의 템플릿을 제안한다. 그리고, 제안된 프로세스가 실제로 어떻게 적용되는지 검증하기 위한 사례연구를 수행한다. 제안된 프로세스, 지침, 산출물 템플릿을 사용함으로써 보다 재사용성의 이점을 최대한 활용할 수 있는 동시에 고품질 핵심 자산을 체계적이며 효율적으로 개발할 수 있을 것으로 기대된다.